CN113115339A - 一种基于移动性感知的任务卸载和资源分配联合优化方法 - Google Patents

Abstract

本发明涉及无线通信技术领域，尤其涉及一种基于移动性感知的任务卸载和资源分配联合优化方法，包括利用两阶段随机规划理论，将移动设备与移动边缘设备服务器之间的通信距离建模为一组随机参数，并在时延约束条件下以最小化移动设备的总能耗为目标，建立基于两阶段随机规划的能耗最小化问题的期望值模型，并求解获得移动设备基于最优任务卸载策略、本地最优CPU频率分配策略以及最优传输功率分配策略进行任务卸载决策以及本地CPU频率资源和传输功率的分配；本发明能在设备随机移动的网络环境下，保证设备任务处理时延要求的同时，实现移动设备的能耗最小化。

Description

一种基于移动性感知的任务卸载和资源分配联合优化方法

技术领域

本发明涉及无线通信技术领域，尤其涉及一种基于移动性感知的任务卸载和资源分配联合优化方法。

背景技术

随着物联网技术和移动应用的快速发展，虚拟现实、无人驾驶和人脸识别等计算密集型和时延敏感型应用正以前所未有的速度发展。虽然移动设备(Mobile Devices，MDs)的计算能力和存储能力近年来不断得到提高，但由于物理体积和电池容量的限制，在大数据和人工智能时代，移动设备的计算性能和电池续航能力仍然面临着严峻的挑战。移动边缘计算(Mobile Edge Computing，MEC)作为一种新兴的计算范式，通过将任务卸载网络边缘节点，如基站和无线接入点，即弥补了移动设备计算能力的不足，同时提供了低时延、高带宽的通信。

移动边缘计算中任务卸载和资源分配策略往往是影响移动设备卸载时延和能耗的关键因素，因此，为提高移动设备的体验质量(Quality of Experience，QoE)，同时最小化计算卸载能耗，需要根据移动设备的计算能耗预算、计算时延，以及边缘服务器的可用资源等性能约束条件来制定任务卸载和资源分配策略。此外，在实际的MEC网络环境中，由于设备端的随机移动性，移动设备和MEC服务器的通信距离将频繁发生变化，因此，如何在设备随机移动的边缘网络环境中制定高效、绿色的任务卸载和资源分配策略具有重要研究价值。

目前，国内外研究人员针对上述问题进行了深入研究，一些主要的成果有：(1)基于移动性感知的任务卸载和迁移联合优化算法(参考文献：D.Wang,X.Tian,H.Cui andZ.Liu.Reinforcement learning-based joint task offloading and migrationschemes optimization in mobility-aware MEC network[J].China Communications,2020,17(8):31-44.doi:10.23919/JCC.2020.08.003.):该算法考虑了设备随机移动的MEC网络环境中任务迁移问题，作者旨在降低任务迁移概率，同时最大化系统总收益，提出了一种基于移动性感知的任务卸载和迁移联合优化方案，并将其建模为一个混合整数非线性规划(Mixed-Integer Nonlinear Programming,MINLP)问题，作者将MINLP问题描述为马尔科夫决策过程，并用强化学习优化框架求得最优解。(2)基于李雅普诺夫优化理论的移动管理方案(参考文献：Y.Sun,S.Zhou and J.Xu.EMM:Energy-Aware Mobility Management forMobile Edge Computing in Ultra Dense Networks[J].IEEE Journal on SelectedAreas in Communications,2017,35(11):2637-2646.doi:10.1109/JSAC.2017.2760160.)：该算法充分考虑了设备移动性导致的无线切换和计算迁移成本，在满足移动设备长期能耗约束条件下，以优化任务处理时延为目的，提出了一种基于李雅普诺夫优化理论的移动管理方案。

上述文献都考虑了的设备的移动性，但都着重于无线切换和任务迁移等问题，没有考虑通信距离频繁变化场景下的任务卸载和资源分配策略。并且在实际的MEC网络环境中，移动设备往往只在单个边缘节点覆盖范围内的固定区域内随机移动(比如小范围工作的无人机)，通常不会导致无线切换等问题。因此，迫切需要针对设备随机移动场景下的高效任务卸载和资源分配联合优化策略。

发明内容

为解上述问题，本发明提供一种基于移动性感知的任务卸载和资源分配联合优化方法，具体包括以下步骤：

根据基于设备随机移动性的边缘计算环境，分别建立本地计算模型和边缘计算模型；

利用两阶段随机规划理论，将移动设备与移动边缘设备服务器之间的通信距离建模为一组随机参数，并在时延约束条件下以最小化移动设备的总能耗为目标，建立基于两阶段随机规划的能耗最小化问题的期望值模型；

给定移动设备与移动边缘设备服务器之间通信距离的统计特性，将基于两阶段随机规划的能耗最小化问题的期望值模型转化为其等价的确定性优化问题；

将确定性优化问题解耦为资源分配子问题和卸载决策子问题；

对于资源分配子问题，假设任务在本地计算，并采用标准凸优化方法求得本地最优CPU频率分配策略；再假设任务在移动边缘设备服务器计算，采用Dinkelbach算法将所述资源分配子问题中的非线性分式规划问题转化为带参的凸优化问题，求得最优传输功率策略和最优传输能耗；

基于本地最优CPU频率分配策略和最优传输功率分配策略，利用标准凸优化方法求得最优任务卸载策略；

移动设备基于最优任务卸载策略、本地最优CPU频率分配策略以及最优传输功率分配策略进行任务卸载决策以及本地CPU频率资源和传输功率的分配。

进一步的，基于两阶段随机规划的能耗最小化问题的期望值模型包括：

约束条件：

0≤t_i,L≤τ_i；

a_i∈{0,1}；

其中，a为任务卸载决策集合，表示为a＝{a₁,a₂,...,a_N}；f_L为本地CPU频率资源分配决策集合，表示为f_L＝{f_1,L,f_2,L,...,f_N,L}；p为移动设备任务传输功率决策集合，表示为p＝{p₁,p₂,...p_N}；N为移动设备的数量；a_i为第i个移动设备的任务卸载决策；E_i,L(f_i,L)为第i个移动设备本地计算的计算耗能；f_i,L为第i个移动设备处理任务时的CPU频率；p_i为第i个移动设备卸载任务时的传输功率；ω∈Ω表示所有移动设备与一个移动边缘计算服务器之间通信距离的集合，称为组合实现，d_i(ω)表示组合实现为ω时的距离；E_i,R(p_i,d_i(ω))表示距离为d(ω)时第i个移动设备的能耗；

表示期望；

为第i个移动设备卸载任务时的最小传输功率；

为第i个移动设备卸载任务时的最大传输功率；

为第i个移动设备处理任务时的最小CPU频率；

为第i个移动设备处理任务时的最大CPU频率；t_i,L为第i个移动设备将任务在本地计算时的本地执行时延；τ_i为第i个移动设备计算完成一个任务的最大时延；

为第i个移动设备上传任务的通信时延；

为移动边缘计算服务器处理任务的计算时延。

进一步的，将基于两阶段随机规划的能耗最小化问题的期望值模型转化为其等价的确定性优化问题包括：

约束条件：

0≤t_iL≤τ_i；

a_i∈{0,1}；

其中，κ为有效能量系数；D_i为第i个移动设备需要计算的任务量大小；L_i为第i个移动设备单位bit任务所需要的CPU周期数；P(ω)表示组合实现为ω时的概率；C_i(p_i,d_i(ω))为第i个移动设备将任务卸载到移动边缘计算服务器可以获得的传输速率；d_i(ω)表示组合实现为ω时的距离。

进一步的，任务在本地计算时最优CPU频率分配策略表示为：

其中，

为任务在本地计算时最优CPU频率分配策略；

为第i个移动设备处理任务时的最小CPU频率；

为第i个移动设备处理任务时的最大CPU频率。

进一步的，将任务卸载到MEC服务器处理，则移动设备的能耗最小化问题为：

进一步的，求解移动设备的能耗最小化问题，得到第i个移动设备将任务卸载到移动边缘计算服务器时的最优传输功率分配策略为：

其中，

为移动设备传输能耗的最优值；B₀为通信带宽；D_i为第i个移动设备需要计算的任务量大小；N₀为高斯白噪声功率谱密度；h_i(ω)表示组合实现为ω时的信道增益。

进一步的，移动设备传输能耗的最优值

表示为：

其中，Φ表示功率值的所有可行解。

进一步的，将任务卸载到MEC服务器处理，则卸载决策子问题表示为：

约束条件：a_i∈{0，1}。

进一步的，任务卸载最优决策包括：

其中，

为本地最优的CPU频率值；C_i(p_i，d_i(ω))为第i个移动设备将任务卸载到移动边缘计算服务器可以获得的传输速率；

为第i个移动设备将任务卸载到移动边缘计算服务器时的最优传输功率分配策略。

本发明考虑设备在MEC服务器覆盖范围内随机移动的网络环境，提出了一种基于移动性感知的任务卸载和资源分配联合优化算法，本发明利用随机规划理论将移动设备到MEC服务器的通信距离建模为一组随机参数，并在时延约束条件下以最小化移动设备的总能耗为目标，将任务卸载和资源分配联合优化问题建模为MINLP问题；通过仿真实验，本发明方法能在设备随机移动的网络环境下，保证设备任务处理时延要求的同时，实现移动设备的能耗最小化。

附图说明

图1为本发明中一种基于移动性感知的任务卸载和资源分配联合优化方法流程图；

图2为本发明中MEC系统模型图；

图3为本发明中传输功率分配算法流程图；

图4为本发明与部分现有技术下移动设备能耗对比仿真图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供一种基于移动性感知的任务卸载和资源分配联合优化方法，如图1，包括以下步骤：

根据基于设备随机移动性的边缘计算环境，分别建立本地计算模型和边缘计算模型；

利用两阶段随机规划理论，将移动设备与移动边缘设备服务器之间的通信距离建模为一组随机参数，并在时延约束条件下以最小化移动设备的总能耗为目标，建立基于两阶段随机规划的能耗最小化问题的期望值模型；

给定移动设备与移动边缘设备服务器之间通信距离的统计特性，将基于两阶段随机规划的能耗最小化问题的期望值模型转化为其等价的确定性优化问题；

将确定性优化问题解耦为资源分配子问题和卸载决策子问题；

对于资源分配子问题，假设任务在本地计算，并采用标准凸优化方法求得本地最优CPU频率分配策略；再假设任务在移动边缘设备服务器计算，采用Dinkelbach算法将所述资源分配子问题中的非线性分式规划问题转化为带参的凸优化问题，求得最优传输功率策略和最优传输能耗；

基于本地最优CPU频率分配策略和最优传输功率分配策略，利用标准凸优化方法求得最优任务卸载策略；

移动设备基于最优任务卸载策略、本地最优CPU频率分配策略，以及最优传输功率分配策略进行任务卸载决策以及本地CPU频率资源和传输功率的分配。

在本实施例中，如图2所示，考虑一个MEC系统，该模型包括一个配置了MEC服务器的基站，N个请求任务处理的移动设备(Mobile Devices，MDs)，集合表示为

定义MDi表示第i个移动终端设备，其中

可以通过无线网络与MEC服务器进行通信。定义MDi需要处理的任务为一个三元组A_i＝{D_i,L_i,τ_i}，其中D_i表示需要计算的任务量大小，L_i表示单位bit任务所需要的CPU周期数，单位为cycles/bit，τ_i表示计算完成该任务的最大时延。假设任务不可分割，定义a_i表示MDi的卸载决策，若选择本地处理任务，则a_i＝0，若选择将任务卸载到MEC服务器处理，则a_i＝1。

在MEC系统中，根据卸载决策，任务在本地或者移动边缘计算服务器进行卸载。在本地进行卸载时，假设每个移动设备的处理器均支持动态电压频率调整(Dynamic VoltageFrequency Scaling，DVFS)技术，DVFS技术可以动态调整CPU频率值，从而达到节省功耗的目的；定义MDi处理任务时的CPU频率为f_i,L，因此，当MDi选择将任务在本地计算时，本地执行时延表示为：

本地计算时MDi产生的计算能耗可表示为

其中，κ_i表示有效能量系数，该系数与MDi芯片架构相关。

当移动设备选择将任务卸载到MEC服务器处理主要经历三个过程：任务上传、MEC服务器计算，以及计算结果返回。由于返回结果时的任务量很小[X]，为便于分析，本发明忽略计算结果返回的通信时延。考虑MDs在MEC服务器覆盖范围内随机移动，不失一般性，定义随机参数d_i∈Ω_i表示MDi与MEC服务器之间的通信距离，其中，Ω_i表示MDi所有可能的通信距离的集合；假设MDs与MEC服务器之间为视距通信(Line-of-Sight，LoS)，则MDi和MEC服务器之间的信道增益可表示为h_i＝g₀(d₀/d_i)^θ，其中d₀为参考距离，g₀为在参考距离d₀情况下的信道功率增益，θ为路径损耗指数。因此，MDi将任务卸载到MEC服务器可获得的传输速率可表示为：

其中，B₀为通信带宽，N₀为高斯白噪声功率谱密度，p_i为MDi卸载任务时的传输功率。

基于以上分析，当MDs选择将任务卸载到MEC服务器处理时，MDi上传任务的通信时延表示为：

任务上传至MEC服务器后，MEC服务器将为MDs提供计算服务，定义f_i,R表示MEC服务器处理任务时的CPU频率，则MEC服务器的计算时延表示为：

MDs选择任务卸载时的能耗主要为上传数据的通信能耗，可表示为：

利用两阶段随机规划理论，将移动设备与移动边缘设备服务器之间的通信距离建模为一组随机参数，本发明系统模型中的通信距离集合Ω_i，d_i∈Ω_i为该场景中的一个实现；假设MEC服务器向MDs反馈通信距离的统计特性，定义P(d_i)∈[0,1]表示实现为d_i时的概率。进一步考虑所有的MDs，定义组合场景Ω表示所有MDs与MEC服务器之间通信距离的集合，可表示为笛卡尔乘积

令ω＝(d₁,d₂,...,d_N)∈Ω表示组合场景中的一个组合实现。考虑到MDs对时延和能耗的需求，本发明在满足MDs任务处理时延要求的条件下，通过优化MDs的CPU频率资源、任务传输功率，以及任务卸载决策来最小化MDs的总能耗。

基于以上分析，可得到如下基于两阶段随机规划的能耗最小化问题的期望值模型：

约束条件：

0≤t_i,L≤τ_i

a_i∈{0,1}

其中，a＝{a₁,a₂,...,a_N}表示任务卸载决策集合，f_L＝{f_1,L,f_2,L,...,f_N,L}表示本地CPU频率资源分配决策集合，p＝{p₁,p₂,...p_N}表示MDs任务传输功率决策集合，

和

分别表示本地CPU频率的最小值和最大值，

和

分别表示传输功率的最小值和最大值。

为了求得随机规划问题P1中的最优解，接下来将问题P1转化为其等价的确定性问题。给定MDs与MEC服务器之间通信距离的统计特性，可得到组合实现ω∈Ω的概率表示为

则随机规划问题P1可转化为等价的确定性优化问题P2：

约束条件：

0≤t_i,L≤τ_i

a_i∈{0,1}

可以看出优化问题P2为MINLP问题，难以用传统的凸优化方法解决。由于约束条件中传输功率分配变量p_i和本地CPU频率分配变量f_i,L与任务卸载决策变量a_i完全解耦，因此可将优化问题P2拆分为资源分配子问题和卸载决策子问题进行求解。

(1)资源分配子问题求解

首先固定任务卸载决策变量，则优化问题P2可写为资源分配子问题如下：

约束条件：

0≤t_i,L≤τ_i

1)、假设卸载决策变量a_i＝0，即MDi选择将任务在本地处理，则本地计算时MDs能耗最小化问题为：

约束条件：

0≤t_i,L≤τ_i

求解上式，容易求得任务在本地计算时最优CPU频率分配策略的闭合表达式为：

2)、假设卸载决策变量a_i＝1，即MDi选择将任务卸载到MEC服务器处理，则MDs能耗最小化问题为：

约束条件：

0≤t_i,L≤τ_i

上式为为NFP问题，为了求得上式的优化问题的全局最优解，本实施例基于Dinkelbach算法对上式进行求解，令

表示MDs最优传输功率集，满足p^*∈Φ，其中Φ表示最优解的可行域。同时，定义q^*表示最优解存在时MDs传输能耗的最优值，通过以上定义可得到如下等式：

最优解p^*存在的条件是当且仅当：

约束条件：

0≤t_i,L≤τ_i；

a_i∈{0,1}；

针对上式，未知变量q^*可通过Dinkelbach算法获得，具体算法流程如图3所示。上述带参数的凸优化问题，利用拉格朗日乘子法和KKT(Karush-Kuhn-Tucker，KKT)条件可求得MD_i将任务卸载到MEC服务器时的最优传输功率分配策略的闭合表达式为：

(2)卸载决策子问题求解

获得最优的资源分配的闭合表达式情况下进行卸载决策子问题求解，则优化问题P2可写为任务卸载决策子问题如下：

可以看出优化问题P2-2仍然是关于a_i的凸函数，利用KKT条件可求得任务卸载最优决策的闭合表达式为：

在任务卸载最优决策的闭合表达式中a_i的最优值等于0表示在本地进行卸载，否则移动设备将任务卸载到移动边缘计算服务器。

为了验证本实施例提供方法的有效性，进行了相关仿真实验，图4给出了本发明中不同算法下移动设备能耗对比仿真图，具体仿真参数为：移动设备数量N＝1，任务的计算密度L＝700cycles/bit，任务处理时延约束τ＝1s，本地最大和最小CPU频率值分别为10000MHz和200MHz，MEC服务器的计算频率为25000MHz，有效能量系数κ＝1×10^-16W·s²/cycle²，基准距离d₀＝1，基准信道功率增益g₀＝1×10^-4，路径损耗指数θ＝3，移动设备最小和最大传输功率分别为5dBm和33dBm，通信带宽B₀＝10MHz，白噪声功率-100dBm，容忍阈值ε＝1×10^-6，移动设备与MEC服务器之间的通信距离服从参数为100的泊松分布，距离单位为m，MEC服务器最大半径为200m，移动设备场景空间大小为10，独立重复试验为10次。

图4中EMM算法为基于固定传输功率的任务卸载和资源分配联合优化策略(参考文献：Y.Sun,S.Zhou and J.Xu.EMM:Energy-Aware Mobility Management for Mobile EdgeComputing in Ultra Dense Networks[J].IEEE Journal on Selected Areas inCommunications,2017,35(11):2637-2646.doi:10.1109/JSAC.2017.2760160.)；图4中可以看出，随着卸载任务量的增加，移动设备的能耗逐渐增加，本发明算法的能耗显著低于EMM算法和基于平均距离算法，可见本发明算法可以满足任务时延要求的同时，实现更低的任务卸载能耗。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种基于移动性感知的任务卸载和资源分配联合优化方法，其特征在于，包括以下步骤：

根据基于设备随机移动性的边缘计算环境，分别建立本地计算模型和边缘计算模型；

利用两阶段随机规划理论，将移动设备与移动边缘设备服务器之间的通信距离建模为一组随机参数，并在时延约束条件下以最小化移动设备的总能耗为目标，建立基于两阶段随机规划的能耗最小化问题的期望值模型；

给定移动设备与移动边缘设备服务器之间通信距离的统计特性，将基于两阶段随机规划的能耗最小化问题的期望值模型转化为其等价的确定性优化问题；

将确定性优化问题解耦为资源分配子问题和卸载决策子问题；

对于资源分配子问题，假设任务在本地计算，并采用标准凸优化方法求得本地最优CPU频率分配策略；再假设任务在移动边缘设备服务器计算，采用Dinkelbach算法将所述资源分配子问题中的非线性分式规划问题转化为带参的凸优化问题，求得最优传输功率策略和最优传输能耗；

基于本地最优CPU频率分配策略和最优传输功率分配策略，利用标准凸优化方法求得最优任务卸载策略；

移动设备基于最优任务卸载策略、本地最优CPU频率分配策略以及最优传输功率分配策略进行任务卸载决策以及本地CPU频率资源和传输功率的分配。

2.根据权利要求1所述的一种基于移动性感知的任务卸载和资源分配联合优化方法，其特征在于，基于两阶段随机规划的能耗最小化问题的期望值模型包括：

约束条件：

0≤t_i,L≤τ_i；

a_i∈{0,1}；

其中，a为任务卸载决策集合，表示为a＝{a₁,a₂,...,a_N}；f_L为本地CPU频率资源分配决策集合，表示为f_L＝{f_1,L,f_2,L,...,f_N,L}；p为移动设备任务传输功率决策集合，表示为p＝{p₁,p₂,...p_N}；N为移动设备的数量；a_i为第i个移动设备的任务卸载决策；E_i,L(f_i,L)为第i个移动设备本地计算的计算耗能；f_i,L为第i个移动设备处理任务时的CPU频率；p_i为第i个移动设备卸载任务时的传输功率；ω∈Ω表示所有移动设备与一个移动边缘计算服务器之间通信距离的集合，称为组合实现，d_i(ω)表示组合实现为ω时的距离；E_i,R(p_i,d_i(ω))表示距离为d(ω)时第i个移动设备的能耗；

表示期望；

为第i个移动设备卸载任务时的最小传输功率；

为第i个移动设备卸载任务时的最大传输功率；

为第i个移动设备处理任务时的最小CPU频率；

为第i个移动设备处理任务时的最大CPU频率；t_i,L为第i个移动设备将任务在本地计算时的本地执行时延；τ_i为第i个移动设备计算完成一个任务的最大时延；

为第i个移动设备上传任务的通信时延；

为移动边缘计算服务器处理任务的计算时延。

3.根据权利要求1所述的一种基于移动性感知的任务卸载和资源分配联合优化方法，其特征在于，将基于两阶段随机规划的能耗最小化问题的期望值模型转化为其等价的确定性优化问题包括：

约束条件：

0≤t_i,L≤τ_i；

a_i∈{0,1}；

其中，a为任务卸载决策集合，表示为a＝{a₁,a₂,...,a_N}；f_L为本地CPU频率资源分配决策集合，表示为f_L＝{f_1,L,f_2,L,...,f_N,L}；p为移动设备任务传输功率决策集合，表示为p＝{p₁,p₂,...p_N}；N为移动设备的数量；a_i为第i个移动设备的卸载决策；κ为有效能量系数；D_i为第i个移动设备需要计算的任务量大小；L_i为第i个移动设备单位bit任务所需要的CPU周期数；P(ω)表示组合实现为ω时的概率；ω∈Ω表示所有移动设备与一个移动边缘计算服务器之间通信距离的集合，称为组合实现；Ω为所有移动设备与移动边缘计算服务器之间通信距离的集合；C_i(p_i,d_i(ω))为第i个移动设备将任务卸载到移动边缘计算服务器可以获得的传输速率；d_i(ω)表示组合实现为ω时的距离；t_i,L为第i个移动设备将任务在本地计算时的本地执行时延；τ_i为第i个移动设备计算完成一个任务的最大时延；

为第i个移动设备上传任务的通信时延；

为移动边缘计算服务器处理任务的计算时延。

4.根据权利要求1所述的一种基于移动性感知的任务卸载和资源分配联合优化方法，其特征在于，任务在本地计算时最优CPU频率分配策略表示为：

其中，

为任务在本地计算时最优CPU频率分配策略；D_i为第i个移动设备需要计算的任务量大小；L_i为第i个移动设备单位bit任务所需要的CPU周期数；τ_i为第i个移动设备计算完成一个任务的最大时延；

为第i个移动设备处理任务时的最小CPU频率；

为第i个移动设备处理任务时的最大CPU频率。

5.根据权利要求1所述的一种基于移动性感知的任务卸载和资源分配联合优化方法，其特征在于，将任务卸载到MEC服务器处理，则移动设备的能耗最小化问题为：

其中，p为移动设备任务传输功率决策集合，表示为p＝{p₁,p₂,...p_N}；N为移动设备的数量；P(ω)为表示组合实现为ω时的概率；C_i(p_i,d_i(ω))为第i个移动设备将任务卸载到移动边缘计算服务器可以获得的传输速率；p_i为第i个移动设备卸载任务时的传输功率；d_i(ω)表示组合实现为ω时的距离；D_i为第i个移动设备需要计算的任务量大小；Ω为所有移动设备与移动边缘计算服务器之间通信距离的集合。

6.根据权利要求5所述的一种基于移动性感知的任务卸载和资源分配联合优化方法，求解移动设备的能耗最小化问题，得到第i个移动设备将任务卸载到移动边缘计算服务器时的最优传输功率分配策略为：

其中，

为移动设备传输能耗的最优值；B₀为通信带宽；D_i为第i个移动设备需要计算的任务量大小；N₀为高斯白噪声功率谱密度；h_i(ω)表示组合实现为ω时的信道增益。

7.根据权利要求6所述的一种基于移动性感知的任务卸载和资源分配联合优化方法，其特征在于，移动设备传输能耗的最优值

表示为：

其中，Φ表示功率值的所有可行解。

8.根据权利要求1所述的一种基于移动性感知的任务卸载和资源分配联合优化方法，其特征在于，将任务卸载到MEC服务器处理，则卸载决策子问题表示为：

约束条件：a_i∈{0,1}；

其中，a为任务卸载决策集合，表示为a＝{a₁,a₂,...,a_N}；N为移动设备的数量；a_i为第i个移动设备的卸载决策；κ为有效能量系数；f_i,L；D_i为第i个移动设备需要计算的任务量大小；L_i为第i个移动设备单位bit任务所需要的CPU周期数；p_i为第i个移动设备卸载任务时的传输功率；P(ω)表示组合实现为ω时的概率；Ω为所有移动设备与移动边缘计算服务器之间通信距离的集合；

C_i(p_i,d_i(ω))为第i个移动设备将任务卸载到移动边缘计算服务器可以获得的传输速率；f_i,L为第i个移动设备处理任务时的CPU频率；d_i(ω)表示组合实现为ω时的距离。

9.根据权利要求8所述的一种基于移动性感知的任务卸载和资源分配联合优化方法，其特征在于，任务卸载最优决策包括：

其中，

为本地最优的CPU频率值；C_i(p_i,d_i(ω))为第i个移动设备将任务卸载到移动边缘计算服务器可以获得的传输速率；

为第i个移动设备将任务卸载到移动边缘计算服务器时的最优传输功率分配策略。

Images